我在编程和量化行业干了快十年，现在带团队做策略研发。我自己上大学那会儿，还没有 Claude 这种东西——那时候查资料靠谷歌和论坛，debug 靠一行行 print，遇到不懂的知识点只能等老师答疑或者去啃教材。所以这篇文章里的主角不是我。
主角是今年 6 月刚毕业、进我们组实习的一个孩子，我姑且叫他小周。
面试他之前，简历上有个细节让我停了几秒：一所双非二本，最终绩点 3.9、专业前五，但成绩单附页里，大一下学期的学期绩点写着 2.8。这个落差不太寻常——大部分绩点高的学生是一路稳着上来的，中途从后 40% 爬到前 5% 的，我这些年只见过零星几个。
面试通过之后，我专门找他聊了两个多小时，把他这三年到底改了什么，完整问了一遍。这篇文章就是那次对话的整理，加上我作为从业者和面试官的一些判断。
我先说明立场：我不认为 AI 能让一个不想学习的人变成学霸。但小周这个案例值得写，是因为他做对的那几件事，恰好戳中了大部分人用 AI 学习时最容易犯的错。
一、大多数人用 AI 学习，其实都用反了
小周跟我说，他们宿舍四个人，大二那年几乎同时开始用 AI 辅助学习。一年后，绩点走向彻底分裂：他从 2.8 爬到 3.35，两个人原地踏步，还有一个从 3.1 掉到了 2.7。
掉分那位室友的用法是这样的：遇到不会做的题，把题目拍照丢过去，”帮我做一下”；写课程论文，扔个题目过去，”帮我写 2000 字论述”；考前复习不整理笔记，把整学期的 PPT 一股脑丢过去，”总结一下重点，我要考试了”。
期中考试原题换了个数字、换了个情境，他就懵了——因为他脑子里从来没真正建立起解题的思路，他只是把”求解”这个动作外包了出去。任务确实完成了，但完成任务的是 AI，不是他。
这是 AI 用于学习最大的陷阱：它太擅长直接给答案了，擅长到会让你产生”我好像懂了”的错觉。这在学习科学里有个说法，叫流畅性错觉——看别人解题、读别人总结好的重点，你会觉得”这不是很简单吗”，可一旦让你自己独立重做一遍，那种连贯感会瞬间消失。AI 恰恰是制造这种错觉效率最高的工具。
小周自己总结了一条判断标准，我觉得比很多方法论文章都实在：
用完 AI 之后，把对话框合上，这道题、这个知识点换一种问法再考一次，你还能不能独立做出来。做不到，就是在”外包”学习；做得到，才是真的在”辅助”学习。
记住这条标准，再看下面的具体动作。
二、他真正在做的 5 个动作
1. 反着用：让 AI 来考他，而不是他问 AI
小周用得最多的场景，不是”向 AI 提问”，而是反过来——让 AI 提问他。
背后的逻辑是很成熟的费曼学习法：如果你能用最简单的语言把一个概念讲清楚，还能扛住不断追问，才说明你是真的理解了，而不是”看完觉得懂了”。
他每学完一个新概念，会发类似这样的指令：
我刚学了 [具体概念]。接下来请你扮演一个基础一般、但很喜欢刨根问底的同学。我会尝试给你讲解这个概念，如果我讲得含糊、举例不当，或者哪里有逻辑漏洞，你就像那个同学一样追问我”为什么”，直到你真的被我讲懂为止。整个过程不要直接告诉我标准答案，除非我连续讲了三次都讲不通，你再给提示。
这里有个时间上的细节挺有意思。他开始这么用是大二上学期（2023 年秋），那会儿完全靠自己手写这段提示词，每次都要重新贴一遍。到 2025 年 4 月，Anthropic 在 Claude for Education 里正式推出了”学习模式”（Learning Mode），把这套逻辑做成了内置功能；同年 8 月，这个模式对所有用户开放，在网页版对话框下方的”使用风格”里就能切换，开启后 Claude 默认用苏格拉底式提问引导你自己想出答案，而不是直接甩结果。
用他自己的话说：”我摸索了一年多的土办法，官方直接做成按钮了。”——所以现在的学生起点其实比他当年高，这个模式不需要机构邮箱，免费账号也能直接切换。
考虑到国内订阅claude确实有点困难，可以参考一下这里：ClaudeMax.shop
2. 错题不是用来抄的，是用来”溯源分类”的
这一条是我个人认为他做得最漂亮的地方。
大部分人的错题本只做了一半：把错题抄一遍，把正确答案抄一遍，完事——这种”订正”本质上还是被动抄写，复习效果约等于零。
真正有用的是错题溯源：搞清楚一道题做错，到底是因为——
- 知识点本身没掌握；
- 审题时漏看了条件；
- 计算或推导过程中粗心；
- 用错了方法或定理；
- 还是压根没见过这个变式。
这五类错误的应对方式完全不同，但大部分人复习时是眉毛胡子一把抓。小周的做法是把一次测验的错题拍照发过去，先不让 AI 讲题，而是先分类：
这是我这次概率论测验里做错的题目（附图）。请先不要讲解具体解法，帮我判断每道错题分别属于”知识点未掌握 / 审题疏漏 / 计算失误 / 方法用错 / 未见过的题型”中的哪一类。分类完成后，针对每一类各给我 1-2 道同类型但换了数字或情境的新题，让我重新做一遍，你再判断我是不是真的掌握了。
他跟我说，第一次做这个分类，他自己都愣了：那次十道错题里，六道是审题疏漏，只有两道是真的不会。”我之前一直以为自己是笨，其实我是急。”
这个价值在于：如果某类错误反复出现，说明问题根本不在知识点，再刷 100 道题也没用，该解决的是做题习惯；只有真正”知识点未掌握”的部分，才值得花时间精讲。
3. 给每门课建一个专属知识库，别每次从零聊起
很多人用 AI 效率低，是因为每次打开对话框都要重新交代背景——”我们这门课用的是 XX 版教材”“老师讲到第几章了”“之前聊过的 XX 概念我理解成了这样”……重复交代信息本身就是一种时间浪费。
Claude 有一个叫 Projects（项目） 的功能，免费账号也能建，上限 5 个：可以为每门课单独建一个项目，把课件、笔记、历年题目上传进去，并设定好这个项目的背景说明。之后在这个项目里发起的每一次新对话，都会自动带着这些资料去回答，不用重新贴课件、重新解释背景。付费版的项目知识库容量更大，能塞下的资料更多。
小周从大二下学期开始，给每门主课都建了对应的项目，复习时直接问”根据这学期的课件，出 5 道涵盖第三、四章重点的模拟题”，出来的题目风格会更贴近授课老师真实的考试风格，而不是泛泛而谈的教科书式提问。
补充一个他毕业之后才有的功能：Claude 的”记忆”功能已经在 2026 年 3 月对所有账号（含免费版）开放，会记住你之前聊过的内容、你反复出错的地方，不需要每次重新交代。Projects 负责”这门课的知识库”，记忆负责”跨对话的个人学习画像”，两者配合，闭环比他当年更完整。
4. 写论文/报告：AI 负责挑逻辑漏洞，不负责代笔
这一条要额外强调：直接让 AI 生成整篇论文交上去，大部分学校都算学术不端，而且对绩点提升毫无意义——因为最终评估的是你的思考能力，不是 AI 的文笔，一旦被查出来，后果比绩点低严重得多。
小周的用法是反过来的：论文和报告永远自己先写完初稿，再拿去做”逻辑陪练”：
这是我论文的初稿（附全文）。请不要帮我改写句子或补充内容，只做两件事：第一，指出论证过程中逻辑不自洽或证据不足的地方；第二，用提问的方式（而不是直接给答案）引导我思考怎么补强这些地方。
这样得到的反馈，相当于一个从不不耐烦、24 小时在线的”论文导师”，帮你在提交前发现自己看不出来的逻辑漏洞——但笔始终握在自己手里。
5.（编程方向）debug 是分层提问，不是甩锅
这条我要多说两句，因为它直接关系到我为什么最后要了他。
我这些年面过不少候选人，有个现象越来越明显：简历上写着”熟悉 Python”，但一让他现场排查一个不认识的报错，就彻底卡住——因为他过去所有的 bug 都是复制粘贴解决的，从来没有独立定位过问题。
小周的方式是”分层提问法”，三步一步都不跳：
- 先问”这段代码在做什么”，自己先看代码猜逻辑，再让 AI 验证理解对不对；
- 报错之后先问”这类报错通常是什么原因导致的”，自己先定位可能出问题的行或环节；
- 自己定位到大概范围之后，才问具体修复方案，并要求 AI 解释”为什么这么改能解决问题”。
这个过程比直接复制粘贴慢很多。但我面试时给他看了一段我们内部写得比较糙的旧代码，让他讲讲这里可能有什么问题，他的思路是先讲这段代码想干什么，再讲哪里的假设可能不成立——这个顺序，就是长期这么练出来的。
在量化这行，代码的 bug 往往不会报错，它只会安安静静地给你一个错误的回测结果。能不能独立定位问题，是这行的生死线。
三、数据说话：这三年到底变了什么
下面几张图，是小周自己整理的复盘数据，他发给我的时候已经做成了表格，我重新画了一下。
从大一下学期 2.8 的最低点，到大二上学期正式调整方法，绩点曲线才真正开始持续爬坡，而不是考前突击式的一次性跳变——这一点我觉得比”最终考了多少分”更重要，它说明这是一个可持续的习惯，不是运气。
他每周投入学习的总时长其实变化不大，真正变化的是时间花在了哪里：被动抄笔记、划重点这类”看起来很努力”但产出很低的活动大幅压缩，主动复述、错题溯源这类”输出型”学习明显增加。这也印证了学习科学里一个被反复验证的结论：主动回忆和间隔重复，比被动重复阅读的效率高得多——AI 只是把这套早就被证明有效的方法论，用更低的门槛落了地。
这是他每周对话时长的用途分布，费曼式自测和错题溯源加起来占了一半。如果你只想学一招，我建议从这两个里挑一个开始。
分科目来看，数学类和编程类课程提升幅度最明显，这符合直觉——这类课程的错误模式更容易被结构化拆解（知识点/审题/计算/方法），AI 能发挥的价值也更大；像英语这种更依赖长期语感积累的科目，提升曲线明显平缓。这一点要诚实说明：AI 学习法不是万能药，对不同类型的课程，效果确实有差异。
四、几句实话：这套方法的边界在哪里
第一，AI 能放大你的学习方法，但没法替你产生学习动机。 小周跟我聊的时候说过一句话：”方法是大二想明白的，但想学是大一下挂科之后自己想通的。”顺序不能反——工具解决的是”怎么学更有效率”，解决不了”要不要学”这个更底层的问题。
第二，警惕”用得越多、懂得越少”的错觉。 判断标准前面说过：合上对话框，这道题换个说法你还能不能独立做出来。做不到，就要老实承认这次是”外包”，而不是”辅助”。
第三，学术诚信的红线不能碰。 论文、报告、编程作业，凡是学校明确禁止用 AI 代写的部分，不要触碰——这不只是道德问题，也是实际的风险问题，很多学校现在都有 AI 写作检测机制，一旦被认定学术不端，后果比绩点低严重得多。
第四，这是一个人的样本，不是统计规律。 小周的经历发生在具体的专业和课程体系下，他的数据仅供参考，不构成任何承诺。方法论比数字本身更值得参考。
第五，也是我作为面试官最想说的：绩点从来不是我们最看重的东西。 我要他，不是因为那个 3.9，而是因为他能清楚地讲出自己是怎么从 2.8 走到 3.9 的——那说明他具备一种更稀缺的能力：对自己的学习过程建模，然后迭代它。这个能力在工作里的价值，远大于任何一门课的分数。
写在最后
我读书的时候没有这些工具，说不羡慕是假的。但聊完那两个小时，我更清楚地意识到一件事：AI 真正帮小周做的，其实只有一件——把原本需要等一周才能拿到的反馈，压缩到了几分钟以内。
反馈的及时性对学习效果的影响，教育学里早有定论，只是过去我们缺一个足够耐心、24 小时在线、还不会因为你重复问同一个问题而不耐烦的”反馈来源”。现在这个来源出现了。能不能用好，取决于你是把它当”学习的外包商”，还是当”学习的陪练”。
如果你现在也正处在绩点垫底、看不到头的阶段，不妨从最简单的一步开始：找一门你最头疼的课，把最近一次的错题整理出来，用文中”错题溯源”的提示词，让 AI 先帮你分分类——这一步，今天晚上就能做完。
362
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
